Agent模型选型只比较对话答案，可能忽略工具参数错误和长任务中断。先按真实任务定义评估项，再比较候选模型在同条件下的完成证据、成本与等待时间。
开发智能体时，模型调用、工具执行和业务状态应分开记录。最终文字声称完成，需要有文件、数据库或工具返回支持。控制循环次数、工具权限和重试范围，能避免流程卡住后持续消耗资源。
准备一组固定输入，包含正常请求、缺少字段、工具异常及需要停止的情形。保持工具接口和验收方式一致，记录模型版本、调用次数和实际产物；没有测试结果时，不下“更稳定”的结论。
先列必须完成的动作与输入条件，候选工具用相同样例、权限和验收方式测试。功能名单说明存在某能力，不能证明本次任务可用；版本、套餐和地区条件需当前官方确认，没有测试的成绩不写成事实。
记录实际输出、人工修正、失败恢复与维护步骤，再比较订阅和必要附加成本。价格低但缺关键权限，可能增加交接负担；界面简单也不代表没有技术前提。选择基于任务结果，宣传中的稳定、增长或安全保证不能代替核验。
测试环境与正式任务怎样区分
开始前明确测试数据、账号、资源和输出位置，避免一个样例触到正式业务。与结果有关的版本、依赖、工具和配置都记录，测试通过才能说明在这些条件下可用，不能自动扩大到所有任务。
切换正式环境后核对连接、权限与写入目标，个人编辑器里的配置未必随部署正确迁移。备份和恢复办法先验证，失败时保留现状再处理。对外发送、支付或发布等动作，需要对应实际授权范围，不能因为测试成功就默认执行。
例如资料整理任务要检查引用是否准确、分类是否完整；写入任务要检查对象与权限。回答短不一定执行省，回答详细也不代表工具调用正确。先确定错误会造成什么业务影响，再决定取舍。
不同指标为什么不能混成一个成绩
指标先说明统计对象、周期与条件，数量、人数、比率和金额分开。汇总比率需要回到分子分母，不能简单平均各行比例。空白表示缺少数据时，不补成零；来源或口径变更也要保留说明，避免健康汇总掩盖失败明细。
比较前确认内容类型、市场或推广等条件是否相近，异常回到原始记录。相关变化只能形成原因假设，结论需进一步验证。图表和解释使用同一单位与版本，刷新后检查结果真正更新，截图漂亮不证明数据有效。
将无法通过的样例保留为回归用例，模型更新后复测。便宜模型可以处理边界清楚的子任务，但需要实测支持；复杂任务是否分层处理，也应看接口与审核成本。